Corso di laurea

DATA SCIENCE PER LE SCIENZE UMANE E SOCIALI

Università del SALENTO · 25 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

CODING PER LA DATA SCIENCE 1° anno · 6 CFU · INFO-01/A · 0 file

Conoscenze e comprensione Risultati attesi di apprendimento al termine del corso in termini di conoscenze: principali caratteristiche dell'architettura di un calcolatore; codifica e rappresentazione delle informazioni;…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenze e comprensione
Risultati attesi di apprendimento al termine del corso in termini di conoscenze:
principali caratteristiche dell'architettura di un calcolatore; codifica e rappresentazione delle informazioni; progettazione e implementazione di algoritmi; strutture di controllo e tipi di dati di un linguaggio di programmazione; strutture dati dinamiche e statiche; programmazione object-oriented; operazioni di input/output su file.
Capacità di applicare conoscenze e comprensione
Gli studenti saranno in grado di applicare le conoscenze acquisite per l'implementazione computer-based di progetti di programmazione in linguaggio Python/R utilizzando strumenti di programmazione dedicati. Sapranno analizzare, interpretare e comprendere listati di codice in linguaggio Python/R catturandone i risultati.
Autonomia di giudizio
Il corso favorisce la riflessione e il pensiero critico negli studenti attraverso l'analisi di problemi computazionali per i quali proporre opportune soluzioni algoritmiche, confrontando i diversi approcci risolutivi.
Abilità comunicative
Gli studenti devono essere in grado di comunicare con un pubblico vario e composito in modo chiaro, logico ed efficace, utilizzando gli strumenti, le conoscenze ed il gergo specialistico, le soluzioni algoritmiche a problemi reali.

Programma

Il corso mira a fornire elementi di base sulla teoria dell’informatica e sui principi di programmazione.
Partendo da elementi sull'architettura dei calcolatori, il corso introduce all'elaborazione dei dati, alla definizione di algoritmo come sequenza di istruzioni elementari, con cenni sui principali fattori che influenzano l'efficienza di un algoritmo ed il tempo di esecuzione su un calcolatore. Il corso introduce alla programmazione utilizzando il linguaggio Python ed il linguaggio R .

Architettura dei calcolatori, modello di Von Neumann; memoria e cache; codifica delle informazioni; sistema binario;
Pensiero computazionale, concetto di algoritmo; strutture di controllo; variabili e dati; pseudocodice e flow-chart; metodologie top-down e bottom-up;
Elementi di programmazione in Python
Elementi di programmazione in R

Modalità d'esame

Prova scritta e prova orale/pratica a cui si accede previo superamento della prova scritta.

Testi di riferimento

Materiale fornito dal docente
risorse disponibili online
Hands-On Programming with R, https://rstudio-education.github.io/hopr/
Think Python, https://allendowney.github.io/ThinkPython/

Codice insegnamento 270173

DATABASE E BIG DATA 1° anno · 6 CFU · IINF-05/A · 0 file

Conoscenze e comprensione: Gli studenti acquisiranno le seguenti competenza: · Conoscere i principali strumenti e approcci per l’analisi dei dati · Comprendere i principi fondamentali dei database relazionali. ·…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenze e comprensione: Gli studenti acquisiranno le seguenti competenza:
· Conoscere i principali strumenti e approcci per l’analisi dei dati
· Comprendere i principi fondamentali dei database relazionali.
· Comprendere i principi alla base dei database NoSQL e le differenze rispetto ai DB relazionali
· Conoscere i fondamenti dei database a grafo e dei knowledge graph
Capacità di applicare conoscenze e comprensione : : Gli studenti acquisiranno le seguenti competenza :
Scrivere query SQL per estrazione, inserimento e aggiornamento dei dati
Utilizzare Neo4j per modellare dati a grafo ed eseguire query con Cypher.
Uso delle librerie NumPy e Pandas per l’analisi e la manipolazione dei dati
· Visualizzare i dati con strumenti di base per la rappresentazione grafica
Capacità di giudizio : Gli studenti sono guidati a sviluppare un approccio critico agli argomenti trattati, confrontando diverse soluzioni a uno stesso problema e imparando a individuare e proporre in modo autonomo l’alternativa più efficace ed efficiente.
Comunicazione : gli studenti devono imparare a comunicare con pubblici eterogenei, comunicando le proprie idee in modo logico, coerente ed efficace .

Programma

Il corso prevede la trattazione dei seguenti argomenti:
Nozioni fondamentali sull'Analisi dei Dati e Big Data
Fondamenti di Database Relazionali
Database Non Relazionali
Analisi Dati in Python

Modulo 1 — Introduzione all'Analisi dei Dati e Big Data (2h)
Dati strutturati e non strutturati
Concetto di Big Data: le 4V
Panoramica degli strumenti per l'analisi dei dati
Modulo 2 — Fondamenti di Database Relazionali (22h)
Concetti fondamentali dei DB relazionali
Modellazione ER: entità, attributi, relazioni
Schema relazionale
Vincoli di integrità
Linguaggio SQL
Esercizi su SQLite
Modulo 3 — Database Non Relazionali (NoSQL) (16h)
Introduzione ai Database NoSQL
Focus su MongoDB
Cenni di DB Distribuiti
Database a Grafo e Knowladge Graph
Uso di Neo4j e linguaggio Cypher
Modulo 4 — Analisi Dati con Python e Pandas (8h)
Introduzione a NumPy e Pandas
Serie e DataFrame
Importazione da CSV, Excel, JSON
Importazione da Database (SQL - Python)
Operazioni di base: selezione, slicing, filtri
Operazioni avanzate
Visualizzazione dei dati

Modalità d'esame

L'esame consiste nella presentazione di un progetto pratico da concordare con il docente.

Testi di riferimento

“Fundamentals of Database Systems", 7th Edition, Elmasri, Navathe, Addison-Wesley

Codice insegnamento 270170

Digital Technologies in the learning process 1° anno · 5 CFU · PAED-01/A · 0 file

Conoscenze e comprensione : gli studenti e le studentesse dovranno dimostrare di aver acquisito le conoscenze di base e i fondamenti epistemologici riguardo le tecnologie educative e didattiche, le teorie di…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenze e comprensione : gli studenti e le studentesse dovranno dimostrare di aver acquisito le conoscenze di base e i fondamenti epistemologici riguardo le tecnologie educative e didattiche, le teorie di apprendimento e di progettazione (metodi/strategie) con/attraverso le tecnologie; media education e digital literacy
Capacità di applicare conoscenze e comprensione: dimostrare di aver compreso i modelli attraverso un’analisi critica di alcuni casi specifici di utilizzo di tecnologie a scuola
Autonomia di giudizio : dimostrare di saper valutare i processi di apprendimento messi in atto attraverso l’utilizzo delle tecnologie. Individuare attraverso un approccio evidence-based e un giudizio critico della letteratura i dispositivi tecnologici più adeguati per la costruzione di specifici ambienti di apprendimento
Abilità comunicative : dimostrare di padroneggiare il lessico specialistico di base della disciplina e di saper comunicare in modo chiaro ed efficace con gli stakeholder del panorama scolastico. Dimostrare capacità di comunicare all’interno di gruppi di lavoro.
Capacità di apprendimento: s aper valutare e criticare le differenti tecnologie educative riconoscendone i limiti e le opportunità al fine di operare in modo qualificato in futuri contesti lavorativi di ricerca.

Programma

Il corso intende far sviluppare agli studenti e alle studentesse le competenze utili a condurre ricerche e riflessioni critiche in ambito educativo attraverso i seguenti contenuti:
fondamenti epistemologici circa l’uso delle tecnologie educative e didattiche per la scuola;
ricerca educativa in ambito di tecnologie educative, paradigma EBE evidence based in education, prospettive e limiti;
analisi dell’efficacia delle tecnologie a scuola attraverso il paradigma EBE

Il corso mira a fornire allo studente una conoscenza dei modelli e delle teorie relative all’utilizzo delle tecnologie in ambito educativo.
Attraverso il corso lo studente conoscerà approfonditamente le metodologie di ricerca e di intervento relative ai contesti formativi scolastici con un particolare focus sull’utilizzo delle tecnologie.
A tal proposito si presenteranno e approfondiranno alcune tecnologie coinvolte nei processi di insegnamento/apprendimento.
Attraverso un approccio critico il corso mira a riflettere sull’impatto delle tecnologie digitali nella pratica scolastica come dispositivi in grado di modificare i processi di apprendimento ed insegnamento in una società in continuo mutamento.

Modalità d'esame

Lavoro di gruppo e test scritto per frequentanti
Prova orale per non frequentanti
Per gli studenti Erasmus sono previsti degli adattamenti da concordare con la docente.

Testi di riferimento

J. Hattie, Apprendimento visibile, insegnamento efficace. Metodi e strategie di successo della ricerca evidence based. Erickson. 2016. Presentazione all’edizione italiana. Cap. 2 ; Cap. 6. Appendice E. Per gli/le studenti/esse di scienze della formazione primaria Capp. 1-2-7.
A. Calvani, G.Bonaiuti, L. Menichetti, G. Vivanet. Le tecnologie educative, Carocci Editore, 2017.
Calvani, A., & Vivanet, G. (2014). Tecnologie per apprendere: quale il ruolo dell’Evidence Based Education?. Journal of Educational, Cultural and Psychological Studies (ECPS Journal), 0(10), 83-112. doi:https://doi.org/10.7358/ecps-2014-010-calv
Trinchero, R. (2014). Il gioco computerizzato per il potenziamento cognitivo e la promozione del successo scolastico. Un approccio evidence based. Form@ re-Open Journal per la formazione in rete , 14 (3), 7-24.

Codice insegnamento 270174

EPISTEMOLOGIA DELLE SCIENZE SOCIALI 1° anno · 8 CFU · GSPS-05/A · 0 file

Conoscenza e comprensione: acquisire una conoscenza approfondita dei riferimenti teorici, epistemologici della ricerca sociale Capacità di applicare conoscenze e comprensione: saper applicare i concetti e i metodi…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e comprensione: acquisire una conoscenza approfondita dei riferimenti teorici, epistemologici della ricerca sociale
Capacità di applicare conoscenze e comprensione: saper applicare i concetti e i metodi acquisiti nella discussione critica intorno alla ricerca.
Autonomia di giudizio: saper collocare i diversi approcci in una dimensione storica, individuandone punti di forza e debolezza.
Abilità comunicative: acquisire il linguaggio specialistico proprio della epistemologia, saper elaborare testi e argomentazioni
Capacità di apprendimento: utilizzare le acquisizioni come base per i futuri apprendimenti di tipo specialistico

Programma

scopo del corso è una presentazione, teoricamente orientata, delle principali riflessioni filosofiche sulla scienza sociale.

Empirismo; Positivismo; le alternative a Empirismo e Positivismo; gli approcci interpretativi; la razionalità e le regole; la razionalità critica; Realismo critico; approcci femministi; poststrutturalismo e post-modernismo

Modalità d'esame

Prova orale

Testi di riferimento

Benton- Craib, Filosofia della scienza Sociale, UTET

Codice insegnamento 217530

MACHINE LEARNING 1° anno · 6 CFU · IINF-03/A · 0 file

Conoscenze e comprensione. Al termine del corso gli studenti avranno acquisito le seguenti conoscenze: conoscenza degli elementi della programmazione strutturata e ad oggetti; conoscenza degli aspetti fondamentali…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenze e comprensione.
Al termine del corso gli studenti avranno acquisito le seguenti conoscenze: conoscenza degli elementi della programmazione strutturata e ad oggetti; conoscenza degli aspetti fondamentali dell’acquisizione e elaborazione digitale di dati; conoscenza dei principali modelli di learning, con particolare attenzione a quelli più usati nelle applicazioni di data science; conoscenza dei principali strumenti e approcci di statistical (machine) learning utilizzati in ambito data science.
Capacità di applicare conoscenze e comprensione.
Al termine del corso gli studenti avranno acquisito gli strumenti essenziali per la scrittura di piccoli programmi in Python che eseguano semplici elaborazioni dati e richiamino alcune funzioni principali di interesse per il machine learning. Sapranno definire ed interpretare gli strumenti idonei all’elaborazione di diverse tipologie di dati, in funzione dell’obiettivo applicativo che si intende raggiungere, e individuare quali problemi si prestano ad essere affrontati con approcci di machine learning.
Autonomia di giudizio.
Gli studenti saranno guidati all’apprendimento critico di quanto insegnato in classe, confrontando diversi approcci possibili per uno stesso problema e valutandone pro e contro.
Abilità comunicative.
È essenziale che gli studenti siano in grado di comunicare con interlocutori di vario tipo in modo chiaro, logico ed efficace, utilizzando gli strumenti appresi, le conoscenze e il gergo specialistico. Il corso promuove lo sviluppo di skills quali l’abilità di identificare ed esporre in termini precisi le caratteristiche dei diversi strumenti di elaborazione dei dati e machine learning, nonché l’abilità di descrivere ed analizzare le opzioni disponibili, comunicano in modo rigoroso supportato da argomentazioni tecniche e scientifiche.
Capacità di apprendimento.
Gli studenti dovranno acquisire l’abilità critica di discutere, con originalità ed autonomia, gli aspetti più importanti legati all’elaborazione dei dati ed al machine learning, inclusi aspetti culturali legati alla data science e tecnologie ICT. Essi dovranno essere in grado di sviluppare e applicare le conoscenze acquisite nel prosieguo dei propri studi e in generale nella più ampia prospettiva della propria vita professionale e di lifelong learning.

Programma

Introduzione all’elaborazione dei dati e suoi strumenti
Elementi base di programmazione, con particolare riferimento alle finalità di elaborazione/processamento digitale dei dati
Il linguaggio Python
Introduzione all’intelligenza artificiale e machine learning
Strumenti matematici e statistici essenziali per il machine learning
Utilizzo di Python per elaborazione dati e machine learning
Introduzione alle problematiche sociali ed etiche delle tecnologie ICT e del machine learning

Introduzione all’elaborazione dei dati
Glossario minimo di concetti e tecnologie ICT
Evoluzione tecnologica, hardware e software
Il paradigma digitale, dall’acquisizione dei segnali alla digitalizzazione
Rappresentazione delle informazioni, codifica e compressione
Elaborazione e trasmissione dei dati
Uno sguardo all’ecosistema dell’ingegneria dell’informazione (ICT) e alla sua evoluzione: elettronica, automatica/robotica, telecomunicazioni, informatica, cibernetica, algoritmi di machine learning e intelligenza artificiale
Elementi base di programmazione
Perché la programmazione
Tipologie di approcci alla programmazione e linguaggi
Elaborazione/processamento digitale dei dati
Introduzione al linguaggio Python
Variabili e tipi di dati
Operatori aritmetici e logici
Costrutti fondamentali
Funzioni
Esempi di algoritmi fondamentali
Debugging
Introduzione all’intelligenza artificiale e machine learning
Evoluzione dell’intelligenza artificiale
La scienza dei dati
Tipologie di apprendimento automatico
Il ruolo dei modelli e dell’elaborazione statistica
Strumenti matematici e statistici essenziali per il machine learning
Modelli e algoritmi fondamentali per l’apprendimento statistico
Utilizzo di Python per elaborazione dati e machine learning
Problematiche sociali ed etiche delle tecnologie ICT e del machine learning

Modalità d'esame

Esame scritto seguito da eventuale discussione orale.

Testi di riferimento

· Materiale didattico del corso (slides), fornito dal docente
· Allen Downey, “Pensare in Python”, Seconda Edizione, Green Tea Press Needham, MA, disponibile gratuitamente al link https://github.com/AllenDowney/ThinkPythonItalian/blob/master/thinkpython_italian.pdf
· Tutorial ufficiale di Python, https://pytutorial-it.readthedocs.io/it/python3.10/
· Sergios Theodoridis, “Machine Learning: a Bayesian and optimization perspective”

Codice insegnamento 217532

MATEMATICA E STATISTICA PER LA DATA SCIENCE 1° anno · 14 CFU · 0 file
Metodi multivariati 1° anno · 5 CFU · PSIC-01/C · 0 file

Conoscenze e comprensione. Comprensione dei concetti principali alla base dei modelli multivariati e dei fondamenti teorici e metodologici per analizzare l’informazione congiunta in un insieme di variabili.…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenze e comprensione.
Comprensione dei concetti principali alla base dei modelli multivariati e dei fondamenti teorici e metodologici per analizzare l’informazione congiunta in un insieme di variabili. Comprensione delle principali funzionalità per l’implementazione, per l’esecuzione di tali tecniche su R e per il loro uso consapevole, anche in relazione alle assunzioni per la loro applicabilità. Capacità di interpretare e contestualizzare i risultati delle analisi per l’esplorazione di fenomeni che coinvolgano lo studio di più attributi o variabili di interesse in diversi ambiti applicativi, con particolare attenzione a dati relativi a tratti psicologici, comportamenti e percezioni individuali o a fenomeni sociali.
Capacità di applicare conoscenze e comprensione.
Capacità di tradurre le conoscenze teoriche e metodologiche acquisite nel corso in casi studio concreti, favorendo la scelta e un uso appropriato delle tecniche di analisi, supportate da strumenti informatici, in relazione ai singoli casi di studio.
Capacità di apprendimento.
Capacità di contestualizzare le conoscenze acquisite in continuità con le competenze caratterizzanti il percorso di studio, integrandole con altre competenze personali per favorire un’interpretazione appropriata di fenomeni psicologici e sociali.
Autonomia di giudizio.
Autonomia di utilizzo delle tecniche e delle loro implementazioni come funzionalità software, così come autonomia nella ricerca di ulteriori strumenti che supportino la modellizzazione di un fenomeno di interesse o di un problema di ricerca.
Abilità comunicative.
Capacità di individuare, riportare e interpretare indici di sintesi, risultati da test statistici o risultati derivanti dalla stima di modelli multivariati, anche con il supporto di strumenti grafici più adatti per la restituzione efficace dell’informazione. Capacità di comunicare tali risultati in modo efficace, adattando la discussione al target destinatario senza compromettere la validità delle interpretazioni e la solidità delle argomentazioni, fornendo un’interpretazione adeguata allo studio di fenomeni psicologici e sociali.

Programma

Il corso mira a fornire i fondamenti teorici e le basi per la loro applicazione volte all’analisi di dati multivariati e alla modellizzazione statistica di strutture di dipendenza congiunta. Partendo dalle tecniche di algebra lineare per la fattorizzazione e la decomposizione di matrici e dalle proprietà principali della distribuzione normale multivariata, le studentesse e gli studenti apprenderanno a:
comprendere il ruolo della matrice di covarianza, della sua stima e delle sue decomposizioni;
applicare modelli lineari multivariati (MANOVA e, più in generale, regressione multivariata);
identificare e stimare modelli con variabili latenti (analisi fattoriale esplorativa e confermativa, concentrandosi sull'approccio parametrico);
avere le basi per approcci di modellizzazione e tecniche che non assumano normalità o che richiedano assunzioni distribuzionali meno stringenti (modelli di equazioni strutturali - SEM).

Fondamenti di analisi multivariata e richiami di geometria delle variabili: rappresentazione matriciale, fattorizzazioni notevoli (fattori di Gram, SVD). Richiami su vettori di variabili aleatorie, momenti, matrici di covarianza e correlazione. Distanza di Mahalanobis. Implementazione in R.
Richiami alla distribuzione normale multivariata: definizione e proprietà; marginali e distribuzioni condizionate, combinazioni lineari, cenni alla funzione generatrice dei momenti. Stima ML di media e covarianza. Test di normalità multivariata. Implementazione in R.
Distribuzione di Wishart: definizione e proprietà. Gradi di libertà. Legame con la distribuzione chi-quadro. Cenni alla statistica T-quadro di Hotelling. Implementazione in R.
MANOVA: decomposizione della covarianza e sua interpretazione. Formulazione di MANOVA e valutazione del modello. Assunzioni di MANOVA e test d’ipotesi. Autovalori generalizzati e derivazione delle statistiche test. Implementazione in R e interpretazione dei risultati.
Modello di regressione multivariata: dalla regressione multipla univariata alla regressione multivariata, definizione e assunzioni; decomposizione della variabilità tramite proiezioni e derivazione di statistiche test; cenni alle correlazioni canoniche. Stima dei coefficienti e della loro variabilità campionaria.
Analisi fattoriale: motivazioni e premesse dell’analisi fattoriale. Concetti principali: comunalità, unicità e relazione con la PCA. Analisi fattoriale esplorativa (EFA): numero ed estrazione dei fattori, rotazioni e interpretazione; forme di incertezza nell'analisi fattoriale. Analisi fattoriale confermativa (CFA): specificazione del modello, identificazione e approcci di stima. Indici di bontà del modello e loro interpretazione. Implementazione in R.
Introduzione ai modelli di equazioni strutturali (SEM): modello di misura e modello strutturale; path analysis e relazioni tra costrutti latenti. Sintassi lavaan in R. Oltre la normalità (cenni): approcci di stima distribution-free (PLS-SEM) e cenni alle copule.

Modalità d'esame

Esame scritto a cui si può accedere previa discussione di un report sull'analisi di un caso studio, da presentare almeno tre giorni prima dell'appello al quale si intende partecipare e in data da concordare con il docente. Verifica orale dell'elaborato a discrezione del docente.
Lo studente/la studentessa, disabile e/o con DSA/BES, che intenda usufruire di un intervento individualizzato per la preparazione e lo svolgimento della prova d’esame può contattare l’Ufficio Inclusione dell'Università del Salento all'indirizzo [email protected]

Testi di riferimento

Materiale didattico fornito dal docente e accessibile dalla pagina E-Learning del corso.
Per ulteriori dettagli e approfondimenti, si può fare riferimento a:
Corbetta P. (1992). Metodi di analisi multivariata per le scienze sociali . Bologna, Il Mulino
e a materiale selezionato da:
Mulaik, S. A. (2009). Foundations of factor analysis , 2a ed. Boca Raton, FL, US, Chapman & Hall/CRC Press
Anderson, T. W. (2003). An Introduction to Multivariate Statistical Analysis , 2a ed. Hoboken, NJ, US, John Wiley & Sons

Codice insegnamento 270172

Modelli multidimensionali per l’analisi dei dati 1° anno · 7 CFU · PSIC-01/C · 0 file

Il corso, pur mantenendo un’impostazione metodologica di fondo rivolta allo studio dell’analisi multidimensionale, si propone di avvalersi del supporto di software statistici dedicati, in modo da accompagnare…

Scheda dell'insegnamento

Obiettivi formativi

Il corso, pur mantenendo un’impostazione metodologica di fondo rivolta allo studio dell’analisi multidimensionale, si propone di avvalersi del supporto di software statistici dedicati, in modo da accompagnare all’apparato teorico un consistente risvolto pratico, sia dal punto di vista della risoluzione di casi studio reali o simulati, sia nell’acquisizione di familiarità con i software per l’elaborazione dei dati.
Il corso intende fornire agli studenti i principali strumenti statistici per l’analisi di fenomeni reali di tipo psicologico e sociale.
Conoscenze e comprensione . Acquisire una conoscenza dei metodi e delle tecniche quantitative ad un livello post secondario mediante l'utilizzo di testi di riferimento, materiale didattico e software opensource. Saranno illustrati temi di avanguardia, come tecniche di data science per le scienze umane e sociali, inoltre verranno trasmesse nozioni che consentiranno lo sviluppo di analisi quantitative in contesti originali.
Capacità di applicare conoscenze e comprensione . Applicare e discutere metodi quantitativi avanzati nell'ambito dell'analisi dei dati sperimentali, in modo da risolvere problemi in ambiti nuovi o non familiari.
Autonomia di giudizio . Interpretare i dati in modo da formulare conclusioni autonome nell'ambito dell'analisi quantitativa multidimensionale.
Abilità comunicative . Comunicare metodi e tecniche multidimensionale per la risoluzione di problemi quali-quantitativi a interlocutori specialisti e non specialisti.
Capacità di apprendimento . Aver sviluppato le competenze necessarie per intraprendere studi successivi, oppure studi autonomi.

Programma

Il corso presenta le tecniche statistiche di analisi multidimensionale per dati quantitativi (ACP) e qualitativi (CA) nonché la Cluster Analysis per lo studio di dati sperimentali in ambito psicologico e sociale. Il modello di Analisi della Varianza completerà la parte teorica, affrontando gli aspetti parametrici relativi agli esperimenti. Gli argomenti verranno affrontati sia dal punto di vista teorico che applicativo mediante l'uso del software open source R.

Definizione di Matrici e Vettori. Somma e Prodotto Interno tra matrici. Alcune proprietà delle matrici. Matrici di Codevianza e Covarianza. Standardizzazione e Matrice di Correlazione.
Definizione e obiettivi dell'ACP. Rappresentazione dei dati nello spazio degli individui: Ricerca della prima e seconda componente principale. Rappresentazione dei dati nello spazio delle variabili: Ricerca della prima e seconda componente principale. Scelta del numero delle componenti da estrarre. Rappresentazioni grafiche. Proprietà.
Introduzione e cenni storici. Matrice dei profili riga. Matrice dei profili colonna. Spazio delle righe. Spazio delle colonne. Formule di transizione. Contributo assoluto CA e contributo relativo CR. Rappresentazioni grafiche. Proprietà.
Introduzione e cenni storici. Indici di dissimilarità. Distanza Euclidea e di Manhattan. Indici di similarità. Hierarchical Clustering: Algoritmo. Legami tra unità, Dendrogramma; Partitioning Clustering : K-Means, K-Medoids, CLARA - Clustering Large Applications.
Introduzione alle reti neurali, Esempi di applicazioni, Modelli di neuroni, Architettura Reti Neurali, Funzioni di Attivazione, Reti Feedforward, Reti Ricorrenti, Rete di Hamming.
Gli aspetti teorici vanno integrati con l'uso del software R. Dal sito: https://formazioneonline.unisalento.it è possibile scaricare il materiale didattico, il Template per il report e il link a dataset da utilizzare.

Modalità d'esame

Gli esami si terranno in presenza (salvo diverse disposizioni) con le seguenti modalità:
La valutazione avverrà tramite la somministrazione, attraverso la piattaforma Moodle (accessibile all’indirizzo https://elearning.unisalento.it/ e con link attivato durante la prova d’esame), di un test composto da 20 domande a risposta multipla , ciascuna con quattro opzioni di risposta.
10 domande avranno un punteggio pari a 2.
10 domande avranno un punteggio pari ad 1.
Il Test verrà integrato con una verifica orale su una o due domande a risposta multipla.
Il prerequisito per accedere al test è lo sviluppo di un report di ricerca (max 10 pages) in cui siano analizzati dati reali e che mostri l'apprendimento delle tecniche quantitative di analisi dei dati (ACP, AC, Cluster) e l'uso del software R. Dal sito: https://formazioneonline.unisalento.it è possibile scaricare il materiale didattico, il Template per il report e il link a dataset da utilizzare. L'elaborato può essere sviluppato in gruppo (massimo 5 persone) e singolarmente. Il report deve essere consegnato 5 giorni prima dell'esame
Di seguito le modalità nel caso in cui dovesse riprendere la modalità online:
Il link al TEAM dell’appello verrà comunicato sulla pagina ufficiale del docente il giorno dopo la chiusura delle iscrizioni all’esame. Il link del TEST sarà attivato sulla piattaforma https://formazioneonline.unisalento.it nella pagina di riferimento dell'insegnamento, cioè dove viene reso disponibile il materiale didattico. La compilazione delle risposte avverrà online. Si prega inoltre di verificare il corretto funzionamento della webcam e del microfono. Gli studenti dovranno seguire la procedura indicata dalla guida per lo studente .

Testi di riferimento

Alla pagina https://formazioneonline.unisalento.it sono rese disponibili dispense, data set ed esercizi di apprendimento.

Codice insegnamento 270178

Project Management 1° anno · 8 CFU · 0 file
Psicologia degli atteggiamenti e delle opinioni 1° anno · 5 CFU · PSIC-03/A · 0 file

Gli obiettivi formativi del corso sono i seguenti: Conoscenze e comprensione : far acquisire conoscenze disciplinari di livello post-secondario, a partire dallo studio di testi specialistici, incluse le conoscenze/temi…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi formativi del corso sono i seguenti:

  • Conoscenze e comprensione : far acquisire conoscenze disciplinari di livello post-secondario, a partire dallo studio di testi specialistici, incluse le conoscenze/temi che rappresentano l’attuale frontiera della ricerca scientifica nello studio degli atteggiamenti, nella loro misurazione e nei loro correlati;
  • Capacità di applicare conoscenze e comprensione: (a) promuovere la capacità di comprensione delle conoscenze e lo sviluppo di elaborazione o applicazione delle idee in un contesto professionale; (b) sostenere la competenza ideativa e argomentativa dello studente, nonché la sua capacità di trasferire e applicare in modo professionale le conoscenze acquisite all’analisi dei dati;
  • Autonomia di giudizio : rafforzare l’autonomia di giudizio e la capacità di analisi critica, inclusa la riflessione su temi di ordine scientifico, sociale ed etico/deontologico;
  • Abilità comunicative: sviluppare le abilità di comunicazione, riuscendo a trasferire in maniera appropriata informazioni, concetti e problemi ad interlocutori caratterizzati da diversi livelli di expertise;
  • Capacità di apprendimento : potenziare i meccanismi di apprendimento attraverso la consapevolezza dei processi cognitivi e affettivi sottostanti, così da sviluppare un alto grado di autonomia nello studio.

Programma

Il corso intende fornire le basi teorico-metodologiche dei modelli scientifici più accreditati in merito alla formazione, misurazione, previsione e cambiamento degli atteggiamenti, e le conoscenze sui meccanismi attraverso cui gli atteggiamenti regolano i comportamenti individuali e collettivi

Il corso sarà organizzato nei seguenti moduli:
le origini dello studio degli atteggiamenti;
struttura, forza e funzione degli atteggiamenti;
tecniche di misurazione esplicita e implicita;
la relazione atteggiamento-comportamento e i modelli previsionali del comportamento;
il cambiamento degli atteggiamenti: i modelli duali della persuasione e l’influenza del comportamento sugli atteggiamenti;
gli atteggiamenti nei confronti dei gruppi sociali (pregiudizio)
strategie di modifica degli atteggiamenti

Modalità d'esame

L'accertamento della conoscenza e della capacità di comprensione avviene tramite una prova orale attraverso la quale si verifica la capacità di:

  • comprendere e padroneggiare i contenuti disciplinari
  • trasferire tali contenuti/conoscenze nei contesti professionali e, più in generale, riconoscerne la dimensione applicativa
  • ideare e rielaborare creativamente i contenuti
  • analizzare criticamente i contenuti sulla base di dell’autonomia di giudizio
  • apprendere in autonomia.
    Per gli studenti frequentanti si prevede un esonero in forma scritta a conclusione del corso o, in alternativa, la consegna di un elaborato.
    Lo studente/ la studentessa, disabile e/o con DSA/BES, che intenda usufruire di un intervento individualizzato per la preparazione e lo svolgimento della prova d’esame può contattare l’Ufficio Inclusione dell'Università del Salento all'indirizzo [email protected]

Testi di riferimento

Maio G.R., Haddock G., Verplanken B. (2023). Psicologia degli atteggiamenti . Edra (edizione italiana a cura di F.R. Alparone, A. Aquino, I. Giammusso, A. Mirisola)
I materiali didattici del corso saranno resi disponibili tramite la piattaforma Elearning di UniSalento: https://elearning.unisalento.it/

Codice insegnamento 270179

Altre conoscenze utili per l'inserimento nel mondo del lavoro (NN) 2° anno · 1 CFU · 0 file
Data Mining 2° anno · 6 CFU · IINF-05/A · 0 file

Conoscenze e comprensione: Gli studenti acquisiranno le seguenti competenza: · Conoscere i principali strumenti e approcci per l’analisi dei dati · Comprendere il funzionamento e lútilizzo dei principali algoritmi di…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenze e comprensione: Gli studenti acquisiranno le seguenti competenza:
· Conoscere i principali strumenti e approcci per l’analisi dei dati
· Comprendere il funzionamento e lútilizzo dei principali algoritmi di data mining e dei vari contesti di applicazione
Capacità di applicare conoscenze e comprensione : : Gli studenti acquisiranno le seguenti competenza :
Utilizzare i principali algoritmi di machine learning e data mining
Visualizzare i dati con strumenti di base per la rappresentazione grafica
Capacità di giudizio : Gli studenti sono guidati a sviluppare un approccio critico agli argomenti trattati, confrontando diverse soluzioni a uno stesso problema e imparando a individuare e proporre in modo autonomo l’alternativa più efficace ed efficiente.
Comunicazione : gli studenti devono imparare a comunicare con pubblici eterogenei, comunicando le proprie idee in modo logico, coerente ed efficace .

Programma

Il corso offre una panorica completa delle principali tecniche di Machine Learning per l’analisi dei dati, la previsione e il supporto alle decisioni. In particolare, approfondisce i principali approcci alla classificazione e al clustering, l’analisi delle serie temporali e delle strutture a grafo, nonché i fondamenti delle reti neurali.

Classifiers IDM (3, 6)
Introduzione al problema della classificazione
Decision Trees
K-nearest neighbors classifier
Support Vector Machines
Bayes and naive Bayes classifiers
Ensemble classifiers
The overfitting problem
Class Imbalance
Model Evaluation
Hyperparameter
Model Selection and Comparison
Neural Network IDM (6)
Introduction to neural networks.
The Perceptron.
Activation and Loss Functions.
Optimization problem and gradient descent
Stochastic Gradient Descent
Multilayer Neural Networks
Time Series Forecasting
Naive approaches
RNN
LSTM
GRU
Evaluation procedure
Clustering IDM (5)
Introduzione al problema del clustering
Curse of dimensionality
K-means e K-means++
Hierarchical clustering
Density-based clustering (DBSCAN)
Clusters Evaluation
Recommendation systems MMD(9.1, 9.2, 9.3 9.5)
Recommendations
The long tail phenomenon
Content-based raccomandation
Collaborative filtering
The Netflix Challenge
Link analysis MMD(5.1, 5.5)
Introduction to graph
PageRank
Hubs and Authorities

Modalità d'esame

L'esame consiste nella presentazione di un progetto pratico da concordare con il docente.

Testi di riferimento

Introduction to Data Mining (2nd Edition) - Pang-Ning Tan , Michael Steinbach , Anuj Karpatne , Vipin Kumar
Python for Data Analysis, (3rd Edition)
Mining of Massive Datasets - Jure Leskovec , Anand Rajaraman , Jeff Ullman

Codice insegnamento 222491

Economia Cognitiva e Sperimentale 2° anno · 5 CFU · ECON-01/A · 0 file

Il corso ha tre principali obiettivi formativi: 1) esplorare i fondamenti teorici dell’economia cognitiva e sperimentale e studiare i modelli decisionali alternativi a quelli delle scelte razionali; 2) acquisire la…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha tre principali obiettivi formativi:
1) esplorare i fondamenti teorici dell’economia cognitiva e sperimentale e studiare i modelli decisionali alternativi a quelli delle scelte razionali;
2) acquisire la capacità di raccogliere ed elaborare una nuova tipologia di dati, creati in laboratorio e in condizioni controllate; 3) applicare il metodo dell’economia cognitiva e sperimentale alle politiche economiche e sociali.
Al termine del corso gli studenti saranno in grado di realizzare esperimenti in laboratorio; di applicare le conoscenze apprese a una serie di casi reali; di utilizzare i dati per valutare l’efficacia dei modelli economici su cui si basano le politiche pubbliche e sociali.

Programma

Il corso intende fornire la conoscenza dei principali temi dell'economia cognitiva e sperimentale, attraverso un approccio interdisciplinare allo studio dei processi decisionali e dei comportamenti economici. Utilizzando il metodo sperimentale e gli strumenti elaborati dalle scienze cognitive, si esploreranno i micro-fondamenti del complesso processo di acquisizione di conoscenza, di formazione delle preferenze e delle decisioni.
Attraverso la comprensione dei limiti dei modelli normativi tradizionali e lo studio di quelli alternativi, gli studenti miglioreranno le loro capacità analitiche e decisionali. In particolare, essi acquisiranno la competenza a riconoscere le insidie che conducono a errori nel ragionamento, come spesso accade, quando ci si affida a dati parziali o all’intuito. Inoltre, attraverso il metodo sperimentale e la sua applicazione in ampie aree delle scienze sociali, apprenderanno l’uso di strumenti analitici innovativi per evitare errori comuni e migliorare le capacità di giudizio.

Modalità d'esame

esame orale sui contenuti del corso, unitamente all’analisi di casi di studio con l’applicazione del metodo sperimentale.
Lo studente/ la studentessa, disabile e/o con DSA/BES, che intenda usufruire di un intervento individualizzato per la preparazione e lo svolgimento della prova d’esame può contattare l’Ufficio Inclusione dell'Università del Salento all'indirizzo [email protected]

Testi di riferimento

Per gli studenti frequentanti i testi e i materiali didattici verranno indicati durante il corso.
Per coloro che non potranno frequentare, saranno indicati successivamente a un colloquio da richiedere via email al docente

Codice insegnamento 222489

MODELLI STATISTICI AVANZATI PER LA DATA SCIENCE 2° anno · 6 CFU · STAT-01/A · 0 file
PROVA FINALE (PROFIN_S) 2° anno · 12 CFU · 0 file
Privacy e sicurezza per la Data Science 2° anno · 6 CFU · GIUR-17/A · 0 file

Conoscenze e comprensione : Gli studenti dovranno imparare ad orientarsi al meglio all’interno dell’universo giuridico della privacy, soprattutto in ambito digitale. Dovranno saper distinguere le diverse normative di…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenze e comprensione : Gli studenti dovranno imparare ad orientarsi al meglio all’interno dell’universo giuridico della privacy, soprattutto in ambito digitale. Dovranno saper distinguere le diverse normative di settore, nel contesto dell’ordinamento giuridico di riferimento (internazionale, europeo e nazionale).
Capacità di applicare conoscenze e comprensione : Le conoscenze acquisite dovranno essere applicate alle nuove tecnologie nel settore pubblico e privato. Gli studenti dovranno essere in grado di analizzare le problematiche giuridico-informatiche della quotidianeità lavorativa, mettendole in relazione alle norme studiate.
Autonomia di giudizio : Gli studenti saranno messi in condizione di analizzare le norme privacy puntando a sviluppare il proprio senso critico. Diverrà abitudine degli studenti discutere con il docente di fatti d’attualità riportati dai media per aumentare le capacità di analisi e l’autonomia di giudizio individuale .
Abilità comunicative : Saranno incentivate le abilità comunicative attraverso l’organizzazione di “exposés” nei quali gruppi di volontari esporranno un tema a loro scelta e si relazioneranno con l’uditorio.
Capacità di apprendimento : Le capacità di apprendimento considerate obiettivo formativo sono riconducibili a quanto affermato al punto “Conoscenze e comprensione”.

Programma

Il corso si propone di fornire agli studenti gli elementi per orientarsi nella complessa relazione tra diritto e nuove tecnologie. Spazio rilevante sarà dedicato all’evoluzione normativa privacy e dell'Amministrazione digitale.

Saranno trattati i seguenti argomenti:
1. - Inquadramento e ambito di applicazione materiale e territoriale della disciplina; individuazione dei ruoli privacy e costruzione dell'organigramma privacy; i soggetti della fattispecie di trattamento e gli atti/accordi per la loro designazione (titolare, contitolare, responsabile del trattamento, responsabile della protezione dei dati o Data Protection Officer, amministratore di sistema, soggetti designati/incaricati, interessato, soggetti terzi; l'autorità Garante per la protezione dei dati personali e le autorità di controllo degli altri Paesi); i principi in materia di protezione dei dati personali e l'accountability; i luoghi del trattamento e gli strumenti del trattamento; le condizioni di liceità del trattamento; l'informativa e gli altri diritti dell'interessato; individuazione e mappatura dei trattamenti; il registro delle attività di trattamento per il titolare e per il responsabile; la privacy by design e by default; l'analisi per processi e la gestione del rischio; norme ISO e processi di trattamento; i privacy audit; le misure di sicurezza; la valutazione d'impatto (PIA/DPIA); la consultazione preventiva; il data breach e la gestione delle violazioni; il flusso transfrontaliero e internazionale di dati personali; trattamenti illeciti, risarcimento del danno, sanzioni; il ruolo dell'Autorità garante; il trattamento dei dati personali in ambito sanitario, bancario, nei rapporti di lavoro, nelle comunicazioni elettroniche e nel marketing; il trattamento dei dati personali da parte degli enti pubblici, etc.); i singoli adempimenti; operatività del Data Protection Officer, linee guida, casistica ed esercitazioni su temi settoriali; connessioni tra privacy e Codice dell'Amministrazione Digitale (D.Lgs. 82/2005) e sue LG Agid.
2. - Principio di accountability e gestione degli incidenti informatici; la documentazione del data breach e la gestione dell’incident responce; specificità del cloud; il ruolo e competenze investigative del Data Protection Officer in caso di data breach; collaborazione fra Garante, forze dell’ordine e DPO in caso di data breach); le misure di sicurezza informatiche nelle pubbliche amministrazioni e nelle aziende; sistema integrato di gestione e norme ISO; il sistema di gestione della sicurezza delle informazioni e il sistema di gestione della privacy; gli audit.
3. - Introduzione alla security aziendale e al risk management; metodologia della sicurezza; strumenti e tecniche per la conduzione del Data Protection Impact Assessment (DPIA); Privacy e controllo a distanza dei lavoratori. Analisi della disciplina e case study; Privacy e dati biometrici (analisi della disciplina e case study); Privacy, comunicazioni elettroniche e marketing (analisi della disciplina e case study); Privacy e sanità elettronica (analisi della disciplina e case study).
4. - Cyber Crime e il mercato del crimine on line; perché il Cyber Crime è interessato alle aziende e ai nostri computer; le persone sono la prima vulnerabilità di un sistema informatico; tipologie di eventi/incidenti Cyber.

Modalità d'esame

L'esame si svolge tramite verifica orale, incentrata sugli argomenti di programma e, se realizzato, sul contenuto del lavoro volontario di exposé, svolto durante il corso.Di tale eventuale exposé il docente tiene conto per formulare la valutazione finale.
L’esame, complessivamente, verificherà:

  • la conoscenza delle discipline normative di cui agli argomenti di programma;
  • la capacità di sintesi espositiva;
  • la capacità di applicare le conoscenze apprese a casi concreti e nuovi rispetto a quelli trattati nelle lezioni;
  • l’acquisizione di una corretta terminologia tecnica relativa alla disciplina.

Testi di riferimento

M. MANCARELLA, Lineamenti di Informatica Giuridica, II edizione, Trento, Tangram, 2024
Nel testo, studiare esclusivamente i seguenti capitoli:
Capitolo I
Politiche dell’innovazione
Capitolo II
Codice dell’Amministrazione Digitale
Capitolo III
Formazione, gestione e conservazione dei documenti informatici
Capitolo IV
Intelligenza artificiale
Capitolo VI
Protezione dei dati personali
Capitolo VIII
Digital crimes

Codice insegnamento 222494

TIROCINIO (NN) 2° anno · 16 CFU · 0 file
Analisi dei dati e big data 8 CFU · ING-INF/05 · 0 file
Digital Technologies in the learning process (M-PED/01) 5 CFU · M-PED/01 · 0 file
Metodi multivariati (M-PSI/03) 5 CFU · M-PSI/03 · 0 file
Modelli multidimensionali per l’analisi dei dati (M-PSI/03) 7 CFU · M-PSI/03 · 0 file
Modelli statistici per la Data Science 6 CFU · SECS-S/01 · 0 file
Psicologia degli atteggiamenti e delle opinioni (M-PSI/05) 5 CFU · M-PSI/05 · 0 file
Statistica e matematica per la data science 14 CFU · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.